Innholdsfortegnelse[Gjemme seg][Forestilling]
Vi er omgitt av data, som blir mer og mer betydningsfull for hver dag. Flere og flere av våre interaksjoner med miljøet blir formet av ulike former for data, inkludert vår bruk av internett, bilkjøp, nyhetsfeeds som vi ser på og mange andre ting.
Vi vil definere kvantitative data i dette innlegget, gi forekomster av kvantitative data, diskutere hvordan kvalitative og kvantitative data varierer, og mye mer.
Men la oss først ta et skritt tilbake.
Hver dag produseres det 2.5 kvintillioner byte med data – inkludert testresultater, kundetilfredshetspoeng og tweets. Men ikke alle data er skapt like.
En meningsmåling som ber deg rangere tjenesten, menyen, miljøet og prisene på en skala fra 1 til 10, produserer andre data enn et intervju som ber deg beskrive matopplevelsen din.
Det er avgjørende for analytikere som ofte jobber med datasett å skille mellom ulike former for data og forstå hvordan hver enkelt kan påvirke studien din.
Prosessen med å dykke ned i data begynner ofte med et spesifikt spørsmål du prøver å svare på, for eksempel:
- Hvilken innvirkning har demografi på forbrukeratferd?
- Vil et bestemt publikum reagere positivt på en endring i et produkt eller en tjeneste?
- Hvordan kan operasjonelle flaskehalser elimineres for å øke effektiviteten?
Du må samle inn og evaluere kvantitative data, avhengig av emnets art, budsjett, tid og tilgjengelige ressurser. Jeg tror du forstår, ikke sant?
La oss komme i gang nå.
Hva er kvantitative data?
Enhver innsamling av data som kan identifiseres og vurderes kvantitativt regnes som kvantitative data.
Den eneste typen data som kan måles objektivt er kvantitative data, noe som gjør dem til den mest relevante type data til bruk i både matematikk og statistikk.
Det refereres til som verdien av data når det uttrykkes som tellinger eller tall, hvor hvert datasett har en spesifikk numerisk verdi tildelt det.
All målbar informasjon som kan brukes i statistiske beregninger og beregninger basert på aritmetikk anses å være denne typen data siden den kan brukes til å støtte vurderinger i den virkelige verden.
Hvor mange, hvor ofte og hvor mange er noen eksempler på spørsmål den kan besvare. Matematiske metoder kan brukes for å enkelt verifisere og vurdere disse dataene.
Kvantitative data som tid, høyde, vekt, pris, kostnad, fortjeneste, temperatur og avstand er det en dataanalytiker vanligvis jobber med.
Det kan uttrykkes som en prosentandel, et tall, en sidelastetid eller andre beregninger innen produktadministrasjon, brukeropplevelsesdesign eller programvareutvikling.
Hvor mange som har kjøpt en bestemt vare er et eksempel på kvantitative data i kjøpssammenheng. Kvalitative data om biler kan inkludere mengden hestekrefter den besitter.
Hva er typene kvantitative data?
Data som kan kvantifiseres blir referert til som kvantitative data, men hvordan disse dataene kvantifiseres varierer avhengig av hvilken type datainnsamling som er tilgjengelig. Kvantitative data kan deles inn i to grunnleggende grupper: diskrete og kontinuerlige. De viktigste variasjonene mellom de to er som følger:
Diskrete data
Kvantitativ informasjon som er diskret kan bare ha et spesifikt område av numeriske verdier. Disse verdiene kan ikke dekomponeres siden de er faste.
Når noe telles, innhentes diskrete data. En persons tre barn, for eksempel, vil være et eksempel på diskrete data.
Antall barn er satt; de kan for eksempel ikke få 3.2 barn.
Antall besøkende på nettstedet ditt er et annet eksempel på diskrete numeriske data; du kan få 150 besøk på en dag, men ikke 150.6. De vanligste diagrammene som brukes til å vise diskrete data er sektordiagrammer, stolpediagrammer og talldiagrammer.
Kontinuerlige data
Omvendt kan kontinuerlige data deles opp i mindre komponenter på ubestemt tid. Lengden på en snor i centimeter eller temperaturen i grader Celsius er to eksempler på denne typen kvantitative data som kan vises på en måleskala.
I hovedsak er kontinuerlige data ikke begrenset til faste verdier; det kan ha hvilken som helst verdi. Kontinuerlige data kan også endre seg over tid; for eksempel vil temperaturen i rommet endres i løpet av dagen.
En linjegraf brukes vanligvis for å illustrere kontinuerlige data.
Kvantitative data vs kvalitative data
Vi kan se at kvantitative data kan måles. Den omhandler mengder, verdier og tall. Denne typen informasjon kan angis numerisk (dvs. beløp, varighet, lengde, pris eller størrelse).
Kvantitative data har mye troverdighet og blir sett på som objektive og pålitelige fordi de produseres gjennom statistikk. Imidlertid er det enda en annen viktig type data. Nærmere bestemt kvalitative data.
Denne informasjonen er først og fremst beskrivende. I de fleste tilfeller kan det ikke måles direkte, men kan læres ved observasjon. Adjektiver og andre beskrivende termer brukes for å beskrive utseende, farge, tekstur og andre egenskaper i kvalitative data.
Du kan for eksempel argumentere for at det ene rommet er lysere enn det andre.
Den informasjonen er kvalitativ. For å virkelig måle lysstyrken i rommet og tilordne det et numerisk tall, kan du også bruke vitenskapelig utstyr og apparater (for eksempel en lysmåler). Du får kvantifiserbare data ved å gjøre det.
5 beste metoder for å samle inn kvantitative data
1. Sannsynlighetsprøvetaking
En presis prøvetakingsteknikk som benytter seg av en eller annen form for tilfeldig utvalg og gjør det mulig for forskere å komme med en sannsynlighetspåstand basert på informasjon samlet tilfeldig fra den tiltenkte målgruppen.
Sannsynlighetsprøvetaking gir forskere muligheten til å samle inn data fra individer som er typiske for gruppen de er interessert i å undersøke, noe som er en av dens fineste funksjoner.
I tillegg ble dataene trukket tilfeldig fra den valgte prøven, noe som eliminerer sjansen for prøvetakingsskjevhet.
For sannsynlighetsutvalg er det tre hovedkategorier.
- Enkelt tilfeldig utvalg: Den tiltenkte populasjonen velges oftere for å være representert i utvalget.
- Systematisk tilfeldig utvalg: Ethvert medlem av den ønskede populasjonen vil være representert i utvalget, men bare den første enheten er valgt tilfeldig; de andre enhetene velges som om en av ti personer på listen.
- Stratifisert tilfeldig prøvetaking: Når du oppretter et utvalg, lar du velge hver enhet fra en bestemt undergruppe av den tiltenkte målgruppen. Det er nyttig når forskerne er kresne med å inkludere en bestemt gruppe mennesker i utvalget, for eksempel bare ledere eller ledere, personer som jobber i en gitt bransje, eller menn eller kvinner.
2. intervjuer
Folk blir vanligvis intervjuet som en del av en datainnsamlingsprosess. Intervjuene som utføres for å samle inn kvantitative data er imidlertid mer organiserte, der forskerne bare stiller det foreskrevne settet med spørsmål og ingenting annet.
Det er tre hovedkategorier av intervjuer som brukes til å samle inn data.
- Telefonintervjuer: Telefonintervjuer dominerte diagrammene over datainnsamlingsteknikker i mange år. Men ved å bruke internett, Skype eller annet online videokonferanse tjenestene for å gjennomføre videointervjuer har økt betydelig de siste årene.
- Personlige intervjuer: Direkte deltakerdatainnsamling er en velprøvd metode for å samle informasjon. Det hjelper til med å samle inn data av høy kvalitet siden det gir rom for dyptgående forespørsler og ytterligere undersøkelser for å få omfattende og pedagogisk informasjon. Deltakerens leseferdighetsnivå er uviktig siden ansikt-til-ansikt (F2F) undersøkelser gir mange muligheter til å observere og samle inn ikke-verbale data eller å undersøke kompliserte og uløste temaer. Selv om det kan være en kostbar og tidkrevende tilnærming, har ansikt-til-ansikt-intervjuer ofte høyere svarprosent.
- Computer-Assisted Personal Interviewing (CAPI): Det er ikke noe mer enn en setting som kan sammenlignes med et ansikt-til-ansikt-intervju der intervjueren har en stasjonær eller bærbar PC med seg for å laste opp dataene som ble samlet inn under intervjuet rett inn i databasen. På grunn av at intervjueren ikke trenger å bære massevis av papirarbeid og spørreskjemaer, reduserer CAPI betydelig tiden som trengs for å oppdatere og analysere dataene.
3. Observasjoner
Som navnet tilsier, er det en ganske enkel og ukomplisert teknikk for å samle inn kvantitative data.
I denne tilnærmingen samler forskere inn kvantitative data ved metodiske observasjoner ved å bruke tilnærminger som å telle antall personer tilstede på et gitt arrangement på et bestemt tidspunkt og et spesifikt sted eller antall individer som deltar på arrangementet på et definert sted.
Forskerne bruker ofte en naturalistisk observasjonsstrategi for å skaffe kvantitative data, som krever utmerkede observasjonsevner og sanser for å få data som er kvantitative bare om "hva" og ikke også om "hvorfor" og "hvordan."
Innsamlingen av både kvalitative og kvantitative data gjøres gjennom naturalistisk observasjon. Strukturert observasjon brukes for det meste for å samle kvantitativ informasjon i stedet for kvalitativ informasjon.
- Strukturert observasjon: I motsetning til naturalistisk eller deltakende observasjon, krever denne formen for observasjonsmetode at forskeren utfører grundige observasjoner av en eller flere spesifisert atferd i en mer omfattende eller kontrollert kontekst. I en strukturert observasjon begrenser forskerne oppmerksomheten til bare noen få nøkkelatferder av interesse i stedet for å se på alt. Det gjør dem i stand til å sette atferden de ser i tall. Det blir noen ganger referert til som "koding" når observasjonene krever at observatørene skal gjøre en vurdering. For å gjøre dette må et sett med målatferd være nøyaktig definert.
4. Undersøkelser
Online undersøkelser laget med undersøkelsesprogramvare er avgjørende for å samle data på nettet for både kvantitativ og kvalitativ forskning. Undersøkelsene er laget på en måte som validerer handlingene og tilliten til respondentene.
De fleste kvantitative undersøkelser inkluderer ofte sjekklister og karakterskalaelementer fordi de gjør det lettere å måle respondentenes holdninger og atferd.
To viktige undersøkelsesstiler brukes til å samle informasjon på nettet for kvantitativ markedsundersøkelse.
- Nettbasert: For internettbasert eller online forskning er dette en av de mest populære og pålitelige teknikkene. Når respondenten svarer på en nettbasert undersøkelse, vil respondenten motta en e-post med en lenke til undersøkelsen, som når den klikkes vil føre dem til en sikker nettbasert undersøkelsesplattform hvor de kan fullføre undersøkelsen. Forskere favoriserer nettbaserte undersøkelser fordi de er mer tids- og pengereffektive, raskere og har et større publikum. Ved å bruke en stasjonær, bærbar datamaskin, nettbrett eller mobilenhet, står respondentene fritt til å fullføre undersøkelsen når det passer for dem, og dette er hovedfordelen med et nettbasert spørreskjema.
- E-postbasert: Undersøkelsen sendes til en stor del av utvalgspopulasjonen via post, slik at forskeren kan nå en rekke målgrupper. Det postale spørreskjemaet kommer vanligvis i en pakke med en forside som informerer publikum om hva slags undersøkelse som gjøres og hvorfor, i tillegg til en forhåndsbetalt retur, for å samle data på nettet. Selv om posten har en større churn rate enn andre kvantitative datainnsamlingsteknikker, inkludert insentiver og påminnelser om å fullføre undersøkelsen, bidrar det til å redusere churn raten betydelig.
5. Dokumentasjonsgjennomgang
Etter å ha analysert gjeldende papirer, er dokumentgjennomgang en teknikk som brukes til å samle inn data. Fordi dokumenter er kontrollerbare og den praktiske ressursen for å få nøyaktige data fra fortiden, er det en effektiv og vellykket metode for datainnsamling.
Dokumentgjennomgang har blitt en av de nyttige teknikkene for å samle inn kvantitative forskningsdata, i tillegg til å styrke og støtte studien ved å tilby supplerende forskningsdata.
For å samle inn supplerende kvantitative forskningsdata, undersøkes tre hoveddokumentkategorier.
- Offentlige dokumenter: De offisielle, kontinuerlige registrene til en organisasjon undersøkes for ytterligere undersøkelser som en del av denne dokumentgjennomgangen. For eksempel årsrapporter, retningslinjer for retningslinjer, studentarrangementer, universitetsspillaktiviteter osv.
- Personlige poster: Denne typen dokumentanalyse undersøker private rapporter om folks atferd, oppførsel, helse, kroppsbygning osv. i motsetning til offentlige poster. For eksempel størrelsen og vekten til elevene, reisetiden elevene tar for å gå på skolen, etc.
- Fysisk bevis: Fysiske bevis eller poster snakker til en persons eller en organisasjons tidligere suksesser når det gjelder penger og skalerbar vekst.
Kvantitative eksempler
Her er noen få tilfeller av kvantitative data for å hjelpe deg med å forstå hva dette refererer til:
- Den nyeste mobilapplikasjonen er lastet ned av 83 personer.
- I fjor gikk tanten min ned 18 kilo.
- Kostnaden for element X er $1,000.
- Arrangementet ble deltatt av 500 deltakere.
- I år har hun ti ferier.
- På et kvarter oppgraderte jeg telefonen min seks ganger.
- I fjor vokste ungen min med 3 tommer.
- Tillegget av et nytt produkt vil resultere i en inntektsøkning på 30 %.
- 54 % av amerikanerne sa at de heller ville kjøpe online enn på et kjøpesenter.
- 150 respondenter sa at de ikke tror den nye produktfunksjonen ville være en hit.
Fordeler
- Gjennomfør dybdestudie: Det er svært sannsynlig at forskningen vil være grundig, siden kvantitative data kan undersøkes statistisk.
- Minimum skjevhet: Det er tider når personlig skjevhet bidrar til forskning og forårsaker unøyaktige resultater. Personlig skjevhet er mye redusert av det numeriske aspektet ved kvantitative data.
- Resultater som er nøyaktige: Siden resultatene var objektive, var de ganske nøyaktige.
Ulemper
- Begrenset informasjon: Siden kvantitative data ikke er beskrivende, er det utfordrende for forskere å trekke konklusjoner kun fra dataene de har samlet inn.
- Avhenger av spørsmålstypen: Spørsmålstypen som brukes til å samle inn kvantitative data påvirker skjevheten i resultatene. Ved innsamling av kvantitative data er forskerens forståelse av forskningens mål og mål avgjørende.
konklusjonen
Kvantitative data handler om divergent tenkning, ikke konvergent resonnement. Den tar for seg det numeriske, logiske og objektive synspunktet ved å legge vekt på numeriske og konstante fakta.
Den eneste datatypen som kan være i stand til å vise analytiske konklusjoner i diagrammer og grafer, kvantitativ dataforskning er grundig.
Dataanalyse er absolutt et avgjørende skritt som, hvis det mangler, ikke bare kan kompromittere objektiviteten og autentisiteten til studien din, men også gjøre konklusjonene ustabile. Gode data vil hjelpe deg med å produsere nøyaktige resultater.
Derfor, uavhengig av teknikk, bruker du for å samle kvantitative data, sørge for at informasjonen er av høy nok kvalitet til å gi verdifull og nyttig innsikt.
Legg igjen en kommentar